时序行为数据广泛存在于各类应用系统中。如何挖掘时序行为数据中有意义的行为模式,捕捉用户潜在需求,进而提出更好的预测、推荐或运营策略受到了研究者们的广泛关注。本文提出的面向时序行为的潜在状态学习方法致力于实现离散稀疏行为数据的特征表达,在此基础上对用户的潜在状态及其复杂的时序依赖关系进行建模和学习,从而实现更好的时序推荐。然而,时序行为的状态建模和表征学习主要面临着以下三个挑战:（1）用户真实的行为状态往往是隐形的,如何根据显性的行为数据捕捉和推断行为的隐状态是其中的一个挑战;（2）行为事件空间是高维的,这意味在固定的时间段内可以观察到的事件样本往往是稀疏的,如何以较低的时间复杂度学习状态表征是另一个挑战;（3）行为伴随时间变化的模式往往具有个性化的差异,如何对用户状态的变化模式进行学习是一个挑战。针对以上挑战,本论文从用户行为潜在状态这一独特视角出发,将用户行为的动态变化分别建模成周期之间和周期内部两种依赖模式,进而利用基于模板的图神经网络结构来捕捉时序行为的状态变化。具体来说,本文提出了深度结构化状态学习系列方法,包括:基于层级表示的结构化状态学习（Structure State Learning based on Hierarchical Representation,HR-SSL）和基于变分推断的结构化状态学习（Structure State Learning based on Variational Inference,VI-SSL）。论文的主要工作包括:1)为了解决时序推荐中固定时间段内的行为稀疏和复杂行为依赖问题,提出了一种HR-SSL模型。根据时间段划分用户对项目的时序行为,然后采用最大池化层次结构学习项目的低维表示来表征行为序列的潜在状态。2)为了有效地提高时序行为的状态建模效果,从时序数据的状态表征角度来看,提出了VI-SSL模型。与基于学习项目表示的HR-SSL模型不同的是,VI-SSL模型假设状态的先验分布服从标准高斯分布,它直接学习时序行为在不同时间段的状态,并且联合学习基于协同过滤的VAE和基于GNN的状态依赖网络,同时在状态依赖网络引入个性化信号。3)从理论上分析了所提方法的时间复杂度,可应用于高维的时序数据中,并从实验结果分析了所提算法在各项评估指标上的优势,验证了所提出算法在时序推荐任务上相比于现有基准算法具有显著的优势。